Dengesiz Veri Kümelerinde Topluluk Yöntemlerine Dayalı Melanom Sınıflandırılması

Dermoskopi görüntüleme, deri kanseri teşhisi için dermotolojistler tarafından yaygın bir biçimde kullanılan bir tanı metodudur. Dermotolojik değerlendirmenin uzman kişiye bağlı, zaman alıcı ve sübjektif olmasından dolayı otomatik sistemler dermotolojistler tarafından karar verme süreçlerine katkı sağlamaları için tercih edilmektedir. Deri lezyon görüntülerinden melanomların tespit edilmesi hastalığın erken teşhisi ile tedavi sürecini hızlandırarak hastalık ve ölüm oranlarını azaltmaktadır. Bu çalışmada cilt bölgesinden alınan görüntülerden oluşan erişime açık ISIC 2017 veri kümesindeki lezyon bölgelerinin öznitelikleri incelenerek görüntüler melanom ya da nevüs ve seboreik keratoz olarak sınıflandırılmıştır. Melanom verisine ait lezyon özniteliklerini temsil etmek için lezyon bölgesinin şekil, renk ve doku öznitelikleri elde edilmiştir. Çıkarılan öznitelikler k-en yakın komşuluk, destek vektör makineleri ve topluluk öğrenme yöntemlerinden kolay topluluk, RUSBoost, dengelenmiş torbalama ve dengelenmiş rastgele orman sınıflandırıcıları ile sınıflandırılmıştır. Elde edilen sonuçlara göre en iyi sınıflandırma sonuçları sırasıyla %100, %99.17, %99.33 ve %99.58 duyarlılık, özgüllük, doğruluk ve dengeli doğruluk değerleri ile RUSBoost sınıflandırıcısı ile elde edilmiştir. Ulaşılan sonuçlar önerilen öznitelik çıkarma ve sınıflandırma yönteminin lezyon bölgelerinden melanom sınıflandırması için büyük potansiyele sahip olduğunu göstermektedir.

Dermoscopy imaging is a diagnostic method widely used by dermatologists for the diagnosis of skin cancer. Since dermatological evaluation is dependent on the expert, timeconsuming and subjective, automated systems are preferred by dermatologists to contribute to the decision-making processes. Detection of melanomas from skin lesion images accelerates the treatment process together with the early diagnosis of the disease and reduces the morbidity and mortality rates. In this study, the features of the lesion areas in the public ISIC 2017 dataset consisting of images taken from the skin area were examined and the images were classified as melanoma and nevus or seborrheic keratosis. Shape, color and texture features of the lesion areas were obtained to represent the lesion features of the melanoma data. Extracted features were classified by k-nearest neighbor, support vector machines, and ensemble learning classifiers which are easy ensemble, RUSBoost, balanced bagging and balanced random forest classifier. According to the obtained results, the best classification results were obtained with the RUSBoost Classifier with 100%, 99.17%, 99.33% and 99.58% sensitivity, specificity, accuracy and balanced accuracy values, respectively. The achieved results show that the proposed feature extraction and classification method has great potential for melanoma classification from lesion areas.